論文の概要: SPLIT: Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography

• arxiv url: http://arxiv.org/abs/2604.15651v1
• Date: Fri, 17 Apr 2026 02:47:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.717457
• Title: SPLIT: Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography
• Title（参考訳）: SPLIT:非線形トモグラフィにおける学習インバージョンのための自己教師的分割
• Authors: Markus Haltmeier, Lukas Neumann, Nadja Gruber, Gyeongha Hwang,
• Abstract要約: SPLIT(Self-supervised Partitioning for Learned Inversion in Tomography)は、非線形、不完全、ノイズの多い投影データから画像の再構成を行う機械学習フレームワークである。 本研究の主な理論的結果は, 温和な条件下では, 提案した自己監督対象は, 予測された自己監督対象と同等であることを示している。 スパース・ビュー・ロバスト性の実験は、古典的反復的再構成と近年の自己監督的ベースラインを超越して、高い再現性を示し、騒音に飽和する。
• 参考スコア（独自算出の注目度）: 2.5743491116216037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has achieved impressive performance in tomographic reconstruction, but supervised training requires paired measurements and ground-truth images that are often unavailable. This has motivated self-supervised approaches, which have primarily addressed denoising and, more recently, linear inverse problems. We address nonlinear inverse problems and introduce SPLIT (Self-supervised Partitioning for Learned Inversion in Nonlinear Tomography), a self-supervised machine-learning framework for reconstructing images from nonlinear, incomplete, and noisy projection data without any samples of ground-truth images. SPLIT enforces cross-partition consistency and measurement-domain fidelity while exploiting complementary information across multiple partitions. Our main theoretical result shows that, under mild conditions, the proposed self-supervised objective is equivalent to its supervised counterpart in expectation. We regularize training with an automatic stopping rule that halts optimization when a no-reference image-quality surrogate saturates. As a concrete application, we derive SPLIT variants for multispectral computed tomography. Experiments on sparse-view acquisitions demonstrate high reconstruction quality and robustness to noise, surpassing classical iterative reconstruction and recent self-supervised baselines.
• Abstract（参考訳）: トモグラフィー再構成では機械学習は目覚ましい性能を達成したが、教師付きトレーニングでは、しばしば利用できないペア計測と地平線画像が必要である。 これは自己教師型アプローチを動機付けており、主に偏執問題や最近では線形逆問題に対処している。 非線形逆問題に対処し,SPLIT(Self-supervised Partitioning for Learned Inversion in Nonological Tomography)を導入する。 SPLITは、複数のパーティションにまたがる相補的な情報を活用しながら、パーティション間の一貫性と測定ドメインの忠実さを強制する。 本研究の主な理論的結果は, 温和な条件下では, 提案した自己監督対象は, 予測された自己監督対象と同等であることを示している。 我々は、非参照画像品質のサロゲート飽和時に最適化を停止する自動停止規則でトレーニングを正規化する。 具体的応用として、マルチスペクトルCTのためのSPLIT変種を導出する。 スパースビュー取得実験は、古典的反復的再構築と近年の自己監督的ベースラインを超越した、高い復元品質と騒音に対する堅牢性を示す。

関連論文リスト

• Self-Supervised Angular Deblurring in Photoacoustic Reconstruction via Noisier2Inverse [2.812291464467386]
  光音響トモグラフィ(PAT)は、光学コントラストと超音波分解能を組み合わせた新しい画像モダリティである。 本研究では,地中構造データを必要とすることなく,有限サイズの検出器効果に対処するNoisier2Inverseに基づく自己教師型再構成手法を提案する。 提案手法はノイズ測定を直接処理し,高画質のPAT画像を地道な方法で復元する方法を学習する。
  論文  参考訳（メタデータ） (2026-04-17T04:07:11Z)
• Equivariant Splitting: Self-supervised learning from incomplete data [11.641086974203924]
  本研究では,単一不完全観測モデルを用いて測定結果が観測される難易度設定のために考案された,新たな自己教師型学習戦略を提案する。 自己監督型分割損失と同変型再構成ネットワークの組み合わせは,教師型分割損失と同程度に最小化できることを示す。
  論文  参考訳（メタデータ） (2025-10-01T14:08:17Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。